科幻小说作家长久以来设想的一种情境是：当所有的工作都可以由机器完成时，人类该如何建构社会。相比之下，对于搞清楚我们会如何应对从当今的政策环境向设想情境中的世界过渡这个问题，经济学家和政治学家花费的精力却较少。

但这个问题的紧迫性可能超出你的想象。

机器学习领域以外的人很少了解这一领域的发展速度是多么惊人。对机器持最乐观态度的专家几年前还认为尚需几十年才能做到的事情，机器现在就可以做到。比如，在真实世界里安全驾驶，懂得语言，能够识字和解读图像等。

我们很快将面临一个事实：几乎没有什么事情是人类能比机器做得更好的。另外值得注意的是，最近这些情况发生得实在太快。

我曾效力的公司Kaggle是“2014年世界经济论坛技术先锋”之一，它多次举办机器学习竞赛。参与比赛的公司带来了数据和疑问：保险公司如何能够预测索赔额度？航空公司如何能够预测误机乘客？零售商又如何制定最为合理的价格？数据科学家竞相编写能够超越公司目前运作方式的算法。

直到一两年前，这些竞赛赢家一般会针对具体问题进行诸多微调，然后编写出算法。作个简化的类比，想象一下这样的场景：一名专业棋盘选手先对各种可能策略的描述进行编码，然后用电脑为这些策略以及策略组合找到最佳参数，最后编写一套算法来进行比赛会产生什么结果。

越来越多的获奖者利用深度学习算法（Deep Learning），这种算法有效地免去了人工运算。想象一下这样的场景：一个从未听说过棋盘的人通过输入之前比赛的所有情况，然后让机器自己搞懂一切操作规则，而编写出一套算法。这种算法轻而易举就胜过了专家的算法。

一个真实案例：当默克公司 （Merck） 要求通过分析分子数据找到具有市场潜力且无意外副作用的药物时，几位没有医学背景的学生在两周后编写出了最佳的算法。

随着机器学会如何学习，我们发现这些最佳算法的成效正在呈指数式上升——通常每年提高一倍左右。反馈环路是：随着计算机运行速度加快，数据总量增加，以前所有算法的结果为下一轮迭代开发奠定基础，算法因而继续得以完善。

指数增长这个概念我们凭借智力都能够理解，但它仍然会使我们出错。还记得那个有名的故事吗？中国的一位皇帝曾经同意在棋盘的第一格放一粒米，第二格放两粒米，第三格放四粒米……，以此类推。很快，他欠下的米粒总数比全世界所拥有的大米还要多。现在思考一下，如果今年的机器比去年的智能程度提高一倍，那么，两年、十年、五十年后这些机器将会拥有怎样的技能水平。像那位中国皇帝一样，我们的大脑要短路而不能工作了。

在人类历史上，我们已经经历了一段由创新浪潮促成的机器取代人类工作的时期，即工业革命。最终，所有人都从中受益：新兴产业不断涌现，就业率不断提高，财富不断扩散。但是，仅仅经过几十年的变动，工业革命就使数百万人陷入贫困，并引发影响深远的社会变革。

目前，我们可能要迎接更为强大且持久的浪潮。近年来，虽然生产力有所提高，但工资却停滞不涨。随着机器学习的加速，这种脱钩情况还会继续。大多数人也许再也不能贡献任何经济价值了，而这种情况可能比我们预期得要更早发生。

这将极大挑战我们目前政治体系的一个根本目标，即奖励创造经济价值的人，惩罚不创造经济价值的人。大多数人希望技术解放全人类，使人类繁荣兴盛，而不愿见技术使多数人陷入贫困。但是，我们要如何应对从贫乏向富足的过渡呢？

瑞士计划确保为每位公民提供基本工资，并将于今年五月进行全民公投，这或许是一个可行的办法。另一种可行的办法是弥尔顿·弗里德曼（Milton Friedman）提出的“负所得税”概念，即低收入工作者可以做有意义的工作，虽然由机器完成会更有效率。

我们都应该开始思考，当所有工作都可以由机器完成时，我们想要看到的是怎样的世界；这是我们不愿让机器回答的一个问题。

--------------------------------------------------------------------------------------------------

作者：杰里米·霍华德（Jeremy Howard），数据科学家，世界经济论坛技术先锋公司Kaggle前总裁。

原文刊载于世界经济论坛博客 (http://forumblog.org/china/)

世界经济论坛博客是一个独立且中立的平台，旨在集合各方人士观点讨论全球、区域及行业性重要话题。转载请注明来源。